
import datetime
now = datetime.datetime.now()
print ("Última versión:")
print (now.strftime("%Y-%m-%d %H:%M:%S"))

Última versión:
2021-11-13 19:01:10


import pandas as pd  
import numpy as np
import pandas_profiling
from itertools import combinations 
from dateutil.parser import parse 
import matplotlib as mpl
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import seaborn as sns
import plotly.express as px


#parámetros de las gráficas 3d
elev = 50.0
azim = 120.0


#datos procesados
datos = pd.read_csv("E:/Google Drive/PREPRINTS/[Articulo]_Complexity Geoelectoral System/1_Procesamiento/Resultados_Datos-procesados_secc2019.csv", encoding='utf-8')


print(datos.dtypes)
datos

EDO                   int64
NOMBRE_ESTADO        object
MUN                   int64
NOMBRE_MUNICIPIO     object
DTO                   int64
SECC                  int64
Coef_Var_PE         float64
Coef_Var_LNE        float64
Var_Prop_PE         float64
Var_Prop_LNE        float64
Autocorr_PE         float64
Autocorr_LNE        float64
Razon_LNE_PE        float64
PE                  float64
LNE                 float64
TC_LNE_2019         float64
TIPO_SECCION         object
Area_Km2            float64
Densidad_LNE        float64
dtype: object


#se reordena y eliminan del dataframe las variables que no se usarán
datos_secc = datos.drop(columns=['Coef_Var_PE', 'Var_Prop_PE', 'Autocorr_PE','Area_Km2'])
datos_secc = datos_secc.reindex(columns= ['EDO','NOMBRE_ESTADO','MUN','NOMBRE_MUNICIPIO','DTO','SECC','TIPO_SECCION','LNE','Densidad_LNE','Razon_LNE_PE','TC_LNE_2019','Coef_Var_LNE','Var_Prop_LNE','Autocorr_LNE'])

#verificar si hay valores nulos en datos_secc
datos_secc.isnull().sum()

EDO                 0
NOMBRE_ESTADO       0
MUN                 0
NOMBRE_MUNICIPIO    0
DTO                 0
SECC                0
TIPO_SECCION        0
LNE                 0
Densidad_LNE        0
Razon_LNE_PE        0
TC_LNE_2019         0
Coef_Var_LNE        0
Var_Prop_LNE        0
Autocorr_LNE        4
dtype: int64


#se eliminan las filas (secciones) con valores vacíos
datos_secc_limpio = datos_secc.dropna()
datos_secc_limpio = datos_secc_limpio.reset_index(drop=True) #para reordenar el índice del nuevo dataframe
datos_secc_limpio.isnull().sum()

EDO                 0
NOMBRE_ESTADO       0
MUN                 0
NOMBRE_MUNICIPIO    0
DTO                 0
SECC                0
TIPO_SECCION        0
LNE                 0
Densidad_LNE        0
Razon_LNE_PE        0
TC_LNE_2019         0
Coef_Var_LNE        0
Var_Prop_LNE        0
Autocorr_LNE        0
dtype: int64


#se separan los indicadores de los metadatos 

#metadatos
metadatos = datos_secc_limpio[['EDO', 'NOMBRE_ESTADO', 'MUN', 'NOMBRE_MUNICIPIO', 'DTO','SECC','TIPO_SECCION']]
metadatos.head()

#indicadores (features)
datos_secc_limpio_f = datos_secc_limpio[['LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE','Autocorr_LNE']]
datos_secc_limpio_f


#resumen estadístico
datos_secc_limpio_f.describe()


#histogramas de los base indicators 
#print(sum(datos_secc['LNE'] > 500000))
plt.figure(figsize=(20,10)) 

plt.subplot(242)
H = plt.hist(datos_secc_limpio_f['LNE'], bins = 100)
plt.subplot(243)
H = plt.hist(datos_secc_limpio_f['Densidad_LNE'], bins = 100)
plt.subplot(244)
H = plt.hist(datos_secc_limpio_f['Razon_LNE_PE'], bins = 100)
plt.subplot(245)
H = plt.hist(datos_secc_limpio_f['TC_LNE_2019'], bins = 100)
plt.subplot(246)
H = plt.hist(datos_secc_limpio_f['Coef_Var_LNE'], bins = 100)
plt.subplot(247)
H = plt.hist(datos_secc_limpio_f['Var_Prop_LNE'], bins = 100)
plt.subplot(248)
H = plt.hist(datos_secc_limpio_f['Autocorr_LNE'], bins = 100)


#Plot correlogram
#(see https://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python/)

plt.figure(figsize=(10,6), dpi= 200)
sns.heatmap(datos_secc_limpio_f.corr(), xticklabels=datos_secc_limpio_f.corr().columns, yticklabels=datos_secc_limpio_f.corr().columns, cmap='RdYlGn', center=0, annot=True)
# fix for mpl bug that cuts off top/bottom of seaborn viz (see https://github.com/mwaskom/seaborn/issues/1773)
b, t = plt.ylim() # discover the values for bottom and top
b += 0.5 # Add 0.5 to the bottom
t -= 0.5 # Subtract 0.5 from the top
plt.ylim(b, t) # update the ylim(bottom, top) values
plt.title('Correlations (7 base indicators)')

#se guarda la grafica
plt.savefig('Pyplot_heatmap_ind7.png',dpi=600, bbox_inches="tight")
plt.show()


#pair-plot
#(see https://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python/)
corr1 = sns.pairplot(datos_secc_limpio_f)
corr1.fig.suptitle("Correlogram (7 base indicators)", y=1.01)
corr1.savefig('Pyplot_correlogram_ind7.png',dpi=600)


datos_secc_limpio_f_ind6 = datos_secc_limpio_f[['LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE','Autocorr_LNE']]


#Plot correlogram
#(see https://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python/)

plt.figure(figsize=(10,6), dpi= 200)
sns.heatmap(datos_secc_limpio_f_ind6.corr(), xticklabels=datos_secc_limpio_f_ind6.corr().columns, yticklabels=datos_secc_limpio_f_ind6.corr().columns, cmap='RdYlGn', center=0, annot=True)
# fix for mpl bug that cuts off top/bottom of seaborn viz (see https://github.com/mwaskom/seaborn/issues/1773)
b, t = plt.ylim() # discover the values for bottom and top
b += 0.5 # Add 0.5 to the bottom
t -= 0.5 # Subtract 0.5 from the top
plt.ylim(b, t) # update the ylim(bottom, top) values
plt.title('Correlations (6 base indicators)')

#se guarda la grafica
plt.savefig('Pyplot_heatmap_ind6.png',dpi=600,bbox_inches="tight")
plt.show()


#pair-plot
#(see https://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python/)
corr2_tf = sns.pairplot(datos_secc_limpio_f_ind6)
corr2_tf.fig.suptitle("Correlogram (6 base indicators)", y=1.01)
corr2_tf.savefig('Pyplot_correlogram_ind6.png',dpi=600)


#se transforman algunos indicadores para analizar escenarios
datos_secc_limpio_f_tf = datos_secc_limpio_f.copy()

#np-log de LNE, Densidad
datos_secc_limpio_f_tf['LNE'] = np.log(datos_secc_limpio_f_tf['LNE'])
datos_secc_limpio_f_tf['Densidad_LNE'] = np.log(datos_secc_limpio_f_tf['Densidad_LNE'])
#datos_secc_limpio_f_tf['NUM_SECC_RUR'] = np.log(datos_secc_limpio_f_tf['NUM_SECC_RUR']+1)

#renombramos algunas columnas
datos_secc_limpio_f_tf=datos_secc_limpio_f_tf.rename(columns={"LNE": "log(LNE)", "Densidad_LNE": "log(Densidad_LNE)"})

#resumen estadístico
datos_secc_limpio_f_tf.describe()


#histogramas de los base indicators 
#print(sum(datos_secc['log(LNE')] > 500000))
plt.figure(figsize=(20,10)) 

plt.subplot(242)
H = plt.hist(datos_secc_limpio_f_tf['log(LNE)'], bins = 100)
plt.subplot(243)
H = plt.hist(datos_secc_limpio_f_tf['log(Densidad_LNE)'], bins = 100)
plt.subplot(244)
H = plt.hist(datos_secc_limpio_f_tf['Razon_LNE_PE'], bins = 100)
plt.subplot(245)
H = plt.hist(datos_secc_limpio_f_tf['TC_LNE_2019'], bins = 100)
plt.subplot(246)
H = plt.hist(datos_secc_limpio_f_tf['Coef_Var_LNE'], bins = 100)
plt.subplot(247)
H = plt.hist(datos_secc_limpio_f_tf['Var_Prop_LNE'], bins = 100)
plt.subplot(248)
H = plt.hist(datos_secc_limpio_f_tf['Autocorr_LNE'], bins = 100)


#Plot correlogram
#(see https://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python/)

plt.figure(figsize=(10,6), dpi= 200)
sns.heatmap(datos_secc_limpio_f_tf.corr(), xticklabels=datos_secc_limpio_f_tf.corr().columns, yticklabels=datos_secc_limpio_f_tf.corr().columns, cmap='RdYlGn', center=0, annot=True)
# fix for mpl bug that cuts off top/bottom of seaborn viz (see https://github.com/mwaskom/seaborn/issues/1773)
b, t = plt.ylim() # discover the values for bottom and top
b += 0.5 # Add 0.5 to the bottom
t -= 0.5 # Subtract 0.5 from the top
plt.ylim(b, t) # update the ylim(bottom, top) values
plt.title('Correlations (7 base indicators, con transformación log en LNE y Densidad_LNE)')

#se guarda la grafica
plt.savefig('Pyplot_heatmap_ind7_tf.png',dpi=600,bbox_inches="tight")
plt.show()


#pair-plot
#(see https://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python/)
corr1_tf = sns.pairplot(datos_secc_limpio_f_tf)
corr1_tf.fig.suptitle("Correlogram (7 base indicators, con transformación log en LNE y Densidad_LNE)", y=1.01)
corr1_tf.savefig('Pyplot_correlogram_ind7_tf.png',dpi=600)


datos_secc_limpio_f_tf_ind6 = datos_secc_limpio_f_tf[['log(LNE)', 'log(Densidad_LNE)', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE','Autocorr_LNE']]


#Plot correlogram
#(see https://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python/)

plt.figure(figsize=(10,6), dpi= 200)
sns.heatmap(datos_secc_limpio_f_tf_ind6.corr(), xticklabels=datos_secc_limpio_f_tf_ind6.corr().columns, yticklabels=datos_secc_limpio_f_tf_ind6.corr().columns, cmap='RdYlGn', center=0, annot=True)
# fix for mpl bug that cuts off top/bottom of seaborn viz (see https://github.com/mwaskom/seaborn/issues/1773)
b, t = plt.ylim() # discover the values for bottom and top
b += 0.5 # Add 0.5 to the bottom
t -= 0.5 # Subtract 0.5 from the top
plt.ylim(b, t) # update the ylim(bottom, top) values
plt.title('Correlations (6 base indicators, con transformación log en LNE y Densidad_LNE)')

#se guarda la grafica
plt.savefig('Pyplot_heatmap_ind6_tf.png',dpi=600,bbox_inches="tight")
plt.show()


#pair-plot
#(see https://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python/)
corr2_tf = sns.pairplot(datos_secc_limpio_f_tf_ind6)
corr2_tf.fig.suptitle("Correlogram (6 base indicators, con transformación log en LNE y Densidad_LNE)", y=1.01)
corr2_tf.savefig('Pyplot_correlogram_ind6_tf.png',dpi=600)


from sklearn.preprocessing import StandardScaler

#Se crean listas para separar los tipos/escenarios de datos

#seleccionamos 6 indicadores
ind6 = ['LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE']

#seleccionamos 6 indicadores (con log)
ind6_tf = ['log(LNE)', 'log(Densidad_LNE)', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Autocorr_LNE']

#seleccionamos 7 indicadores
ind7 = ['LNE', 'Densidad_LNE', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE']

#seleccionamos 7 indicadores (con log)
ind7_tf = ['log(LNE)', 'log(Densidad_LNE)', 'Razon_LNE_PE', 'TC_LNE_2019', 'Coef_Var_LNE', 'Var_Prop_LNE', 'Autocorr_LNE']

#etiquetas
labels = ['EDO', 'NOMBRE_ESTADO', 'MUN', 'NOMBRE_MUNICIPIO', 'DTO','SECC','TIPO_SECCION']


#seleccionamos los valores de solo 6 indicadores (sin Var_Prop_LNE)
x = datos_secc_limpio_f.loc[:, ind6].values

#seleccionamos los valores de solo 6 indicadores (sin Var_Prop_LNE y con log)
x_1 = datos_secc_limpio_f_tf.loc[:, ind6_tf].values

#seleccionamos los valores de los 7 indicadores originales
x_2 = datos_secc_limpio_f.loc[:, ind7].values

#seleccionamos los valores de los 7 indicadores con transformacion log en LNE y Densidad
x_3 = datos_secc_limpio_f_tf.loc[:, ind7_tf].values

#seleccionamos las labels (metadatos)
y = metadatos.loc[:,labels].values

print(x.shape)
print(x_1.shape)
print(x_2.shape)
print(x_3.shape)
print(y.shape)

(68390, 6)
(68390, 6)
(68390, 7)
(68390, 7)
(68390, 7)


#para verificar que no haya valores nulos o infinitos en ind6
print(np.any(np.isnan(x)))
print(np.all(np.isfinite(x)))

#para verificar que no haya valores nulos o infinitos en ind6_tf
print(np.any(np.isnan(x_1)))
print(np.all(np.isfinite(x_1)))

#para verificar que no haya valores nulos o infinitos en ind7
print(np.any(np.isnan(x_2)))
print(np.all(np.isfinite(x_2)))

#para verificar que no haya valores nulos o infinitos en ind7_tf
print(np.any(np.isnan(x_3)))
print(np.all(np.isfinite(x_3)))

False
True
False
True
False
True
False
True


#Estandarizamos los valores de ind6 (normalización)
x = StandardScaler().fit_transform(x)
print(x.shape)

#Estandarizamos los valores de ind6_tf (normalización)
x_1 = StandardScaler().fit_transform(x_1)
print(x_1.shape)

#Estandarizamos los valores de ind7 (normalización)
x_2 = StandardScaler().fit_transform(x_2)
print(x_2.shape)

#Estandarizamos los valores de ind7_tf (normalización)
x_3 = StandardScaler().fit_transform(x_3)
print(x_3.shape)

(68390, 6)
(68390, 6)
(68390, 7)
(68390, 7)


from sklearn.decomposition import PCA

#calculo de PCA (con las 6 componentes), y obtención de los valores CP para cada sección
pca_6cp = PCA(n_components=6)
pca_ind6 = pca_6cp.fit_transform(x)

#razones de varianza explicada por cada CP 
print('Razón de varianza explicada por cada CP (n_components=6): %s'
      % str(pca_6cp.explained_variance_ratio_))

#dataframe con los valores de los 6 CP por sección
df_pca_ind6 = pd.DataFrame(data = pca_ind6
             , columns = ['PC1', 'PC2', 'PC3','PC4', 'PC5', 'PC6'])
df_pca_ind6

Razón de varianza explicada por cada CP (n_components=6): [0.36715292 0.2069653  0.15854035 0.14321053 0.07306264 0.05106827]


#obtención de los pesos por cada variable
pca_pesos_ind6 = pca_6cp.components_
print(pca_pesos_ind6)

#transformación a un dataframe:
df_pca_pesos_ind6 = pd.DataFrame(pca_pesos_ind6, columns=ind6)
principal_components_pesos = pd.DataFrame(['PC1', 'PC2', 'PC3','PC4', 'PC5', 'PC6'])
df_pca_pesos_ind6.insert(0, 'Principal Components', principal_components_pesos)

#se guarda el último dataframe en un csv
df_pca_pesos_ind6.to_csv(r'Resultados_Secc_PCA_pesos_ind6.csv', index = None)

df_pca_pesos_ind6=df_pca_pesos_ind6.set_index('Principal Components')
df_pca_pesos_ind6

[[ 0.11835223 -0.13463196 -0.40170491  0.58735786  0.55730014  0.38849382]
 [ 0.43815545  0.48142498  0.44442913  0.1514139  -0.20617036  0.55973221]
 [-0.72711206  0.65542368 -0.14182563  0.07721292  0.04885994  0.1151704 ]
 [ 0.51474679  0.54119303 -0.50783002 -0.15472484  0.09036192 -0.39006341]
 [ 0.01877359  0.16259293  0.59840856  0.0774329   0.66724382 -0.40485568]
 [-0.00197514  0.03460744  0.07083266  0.77213154 -0.43719956 -0.45436834]]


plt.figure(figsize=(10,6), dpi= 200)
sns.heatmap(df_pca_pesos_ind6, cmap='RdYlGn', center=0, annot=True)
# fix for mpl bug that cuts off top/bottom of seaborn viz (see https://github.com/mwaskom/seaborn/issues/1773)
b, t = plt.ylim() # discover the values for bottom and top
b += 0.5 # Add 0.5 to the bottom
t -= 0.5 # Subtract 0.5 from the top
plt.ylim(b, t) # update the ylim(bottom, top) values
plt.title('Principal Component Weights (6 base indicators)')

plt.savefig('Pyplot_PCA_heatmap_ind6.png',dpi=600,bbox_inches="tight")
plt.show()


#calculo de la matriz de covarianza y sus correspondientes eigenvalores y eigenvectores
cov_mat = np.cov(x.T)
eigen_vals, eigen_vecs = np.linalg.eig(cov_mat)

# calculate of individual and cumulative sum of explained variances
tot = sum(eigen_vals)
var_exp = [(i / tot) for i in sorted(eigen_vals, reverse=True)]
cum_var_exp = np.cumsum(var_exp)

# plot explained variances
plt.figure(figsize=(10,6), dpi= 200)
plt.bar(range(1,7), var_exp, alpha=0.5,
        align='center', label='individual explained variance')
plt.step(range(1,7), cum_var_exp, where='mid',
         label='cumulative explained variance')
plt.ylabel('Explained variance ratio')
plt.xlabel('Principal Component Index')
plt.legend(loc='best')
plt.title('Principal Components (6 base indicators)')

plt.savefig('Pyplot_PCA_variance_ind6.png',dpi=600)
plt.show()


#concatenamos los resultados con los metadatos
df_pca_results_ind6 = pd.concat([metadatos[labels], df_pca_ind6], axis = 1)
df_pca_results_ind6.head()
#salvar resultados PCA
df_pca_results_ind6.to_csv(r'Resultados_Secc_PCA_ind6.csv', index = None)


#Scatter plot (seaborn)  PC1 vs PC2
#(see https://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python)

plt.figure(figsize=(16, 10), dpi= 200, facecolor='w', edgecolor='k')
sns.scatterplot(x="PC1", y="PC2", 
                data=df_pca_results_ind6)
# Set x-axis label
plt.xlabel('PC1 (ICE principal)')
# Set y-axis label
plt.ylabel('PC2 (segundo ICE)')
plt.title('Proyección en PC1-PC2 (6 indicadores)')

plt.savefig('Pyplot_PCA_projection_ind6.png',dpi=600)


from matplotlib import pyplot
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.lines import Line2D

fig = pyplot.figure(figsize=(16, 10), dpi=200, facecolor='w', edgecolor='k')
ax = Axes3D(fig)
ax.scatter(df_pca_results_ind6['CP1'], df_pca_results_ind6['CP2'], df_pca_results_ind6['CP3'],s=20)
ax.set_xlim3d(0, 40)
ax.set_ylim3d(-20,5)
ax.set_zlim3d(-30,0)
ax.set_xlabel('CP1 (ICE principal)')
ax.set_ylabel('CP2 (segundo ICE)')
ax.set_zlabel('CP3 (tercer ICE)')
ax.view_init(elev, azim)
ax.set_title('Proyección en CP1-CP2-CP3 (6 indicadores)')

plt.savefig('Pyplot_PCA_3dprojection_ind6.png',dpi=600)
pyplot.show()


# import plotly.express as px

# fig = px.scatter_3d(df_pca_results_ind6, 
#                     x='CP1', 
#                     y='CP2', 
#                     z='CP3')
# fig.update_layout(scene = dict(
#                     xaxis_title='CP1 (ICE principal)',
#                     yaxis_title='CP2 (segundo ICE)',
#                     zaxis_title='CP3 (tercer ICE)'),
#                  legend_orientation="h")
# fig.show()


from sklearn.decomposition import PCA

#calculo de PCA (con las 6 componentes), y obtención de los valores CP para cada sección
pca_6cp_tf = PCA(n_components=6)
pca_ind6_tf = pca_6cp_tf.fit_transform(x_1)

#razones de varianza explicada por cada CP 
print('Razón de varianza explicada por cada CP (n_components=6): %s'
      % str(pca_6cp_tf.explained_variance_ratio_))

#dataframe con los valores de los 6 CP por sección
df_pca_ind6_tf = pd.DataFrame(data = pca_ind6_tf
             , columns = ['CP1', 'CP2', 'CP3','CP4', 'CP5', 'CP6'])
df_pca_ind6_tf

Razón de varianza explicada por cada CP (n_components=6): [0.36810919 0.27563573 0.14463988 0.09007099 0.07055618 0.05098803]


#obtención de los pesos por cada variable
pca_pesos_ind6_tf = pca_6cp_tf.components_
print(pca_pesos_ind6_tf)

#transformación a un dataframe:
df_pca_pesos_ind6_tf = pd.DataFrame(pca_pesos_ind6_tf, columns=ind6_tf)
principal_components_pesos = pd.DataFrame(['CP1', 'CP2', 'CP3','CP4', 'CP5', 'CP6'])
df_pca_pesos_ind6_tf.insert(0, 'Componentes Principales', principal_components_pesos)

#se guarda el último dataframe en un csv
df_pca_pesos_ind6_tf.to_csv(r'Resultados_Secc_PCA_pesos_ind6_tf.csv', index = None)

df_pca_pesos_ind6_tf=df_pca_pesos_ind6_tf.set_index('Componentes Principales')
df_pca_pesos_ind6_tf

[[-0.02138292 -0.2043999  -0.42393418  0.57539425  0.57002181  0.34934205]
 [-0.61055764 -0.56732633 -0.20061046 -0.18191728  0.0972267  -0.47177189]
 [ 0.3685735   0.33320222 -0.67967815 -0.18353412  0.11585047 -0.49402566]
 [-0.69652134  0.69810788 -0.11476272  0.03009149  0.04237895  0.10784926]
 [ 0.07369612  0.1863836   0.5475311   0.05634531  0.6852049  -0.43285006]
 [-0.01851002  0.05695917  0.07149877  0.77334501 -0.42532228 -0.46080301]]


plt.figure(figsize=(10,6), dpi= 200)
sns.heatmap(df_pca_pesos_ind6_tf, cmap='RdYlGn', center=0, annot=True)
# fix for mpl bug that cuts off top/bottom of seaborn viz (see https://github.com/mwaskom/seaborn/issues/1773)
b, t = plt.ylim() # discover the values for bottom and top
b += 0.5 # Add 0.5 to the bottom
t -= 0.5 # Subtract 0.5 from the top
plt.ylim(b, t) # update the ylim(bottom, top) values
plt.title('Pesos de las Componentes Principales (6 base indicators, con transformación log en LNE y Densidad_LNE)')

plt.savefig('Pyplot_PCA_heatmap_ind6_tf.png',dpi=600,bbox_inches="tight")
plt.show()


#calculo de la matriz de covarianza y sus correspondientes eigenvalores y eigenvectores
cov_mat = np.cov(x_1.T)
eigen_vals, eigen_vecs = np.linalg.eig(cov_mat)

# calculate of individual and cumulative sum of explained variances
tot = sum(eigen_vals)
var_exp = [(i / tot) for i in sorted(eigen_vals, reverse=True)]
cum_var_exp = np.cumsum(var_exp)

# plot explained variances
plt.figure(figsize=(10,6), dpi= 200)
plt.bar(range(1,7), var_exp, alpha=0.5,
        align='center', label='varianza explicada individual')
plt.step(range(1,7), cum_var_exp, where='mid',
         label='varianza explicada acumulada')
plt.ylabel('Razón de varianza explicada')
plt.xlabel('Índice Componentes Principales')
plt.legend(loc='best')
plt.title('Componentes Principales (6 base indicators, con transformación log en LNE y Densidad_LNE)')

plt.savefig('Pyplot_PCA_variance_ind6_tf.png',dpi=600)
plt.show()


#concatenamos los resultados con los metadatos
df_pca_results_ind6_tf = pd.concat([metadatos[labels], df_pca_ind6_tf], axis = 1)
df_pca_results_ind6_tf.head()
#salvar resultados PCA
df_pca_results_ind6_tf.to_csv(r'Resultados_Secc_PCA_ind6_tf.csv', index = None)


#Scatter plot (seaborn)  PC1 vs PC2
#(see https://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python)

plt.figure(figsize=(16, 10), dpi= 200, facecolor='w', edgecolor='k')
sns.scatterplot(x="CP1", y="CP2", 
                data=df_pca_results_ind6_tf)
# Set x-axis label
plt.xlabel('CP1 (ICE principal)')
# Set y-axis label
plt.ylabel('CP2 (segundo ICE)')
plt.title('Proyección en CP1-CP2 (6 indicadores, con transformación log en LNE y Densidad_LNE)')

plt.savefig('Pyplot_PCA_projection_ind6_tf.png',dpi=600)


from matplotlib import pyplot
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.lines import Line2D

fig = pyplot.figure(figsize=(16, 10), dpi=200, facecolor='w', edgecolor='k')
ax = Axes3D(fig)
ax.scatter(df_pca_results_ind6_tf['CP1'], df_pca_results_ind6_tf['CP2'], df_pca_results_ind6_tf['CP3'],s=20)
ax.set_xlim3d(0, 40)
ax.set_ylim3d(-20,5)
ax.set_zlim3d(-30,0)
ax.set_xlabel('CP1 (ICE principal)')
ax.set_ylabel('CP2 (segundo ICE)')
ax.set_zlabel('CP3 (tercer ICE)')
ax.view_init(elev, azim)
ax.set_title('Proyección en CP1-CP2-CP3 (6 indicadores, con transformación log en LNE y Densidad_LNE)')

plt.savefig('Pyplot_PCA_3dprojection_ind6_tf.png',dpi=600)
pyplot.show()


# import plotly.express as px

# fig = px.scatter_3d(df_pca_results_ind6_tf, 
#                     x='CP1', 
#                     y='CP2', 
#                     z='CP3')
# fig.update_layout(scene = dict(
#                     xaxis_title='CP1 (ICE principal)',
#                     yaxis_title='CP2 (segundo ICE)',
#                     zaxis_title='CP3 (tercer ICE)'),
#                  legend_orientation="h")
# fig.show()


from sklearn.decomposition import PCA

#calculo de PCA con 7 componentes, y obtención de los valores de CP para cada sección
pca_7cp = PCA(n_components=7)
pca_ind7 = pca_7cp.fit_transform(x_2)

#razones de varianza explicada por cada CP 
print('Razón de varianza explicada por cada CP (n_components=7): %s'
      % str(pca_7cp.explained_variance_ratio_))

#dataframe con los valores de los CP por sección
df_pca_ind7 = pd.DataFrame(data = pca_ind7
             , columns = ['CP1', 'CP2', 'CP3','CP4', 'CP5', 'CP6','CP7'])
df_pca_ind7

Razón de varianza explicada por cada CP (n_components=7): [0.42840341 0.18089508 0.13606747 0.1233544  0.08329319 0.046764
 0.00122245]


#obtención de los pesos por cada variable
pca_pesos_ind7 = pca_7cp.components_
print(pca_pesos_ind7)

#transformación a un dataframe:
df_pca_pesos_ind7 = pd.DataFrame(pca_pesos_ind7, columns=ind7)
principal_components_pesos = pd.DataFrame(['CP1', 'CP2', 'CP3','CP4', 'CP5', 'CP6','CP7'])
df_pca_pesos_ind7.insert(0, 'Componentes Principales', principal_components_pesos)

#se guarda el último dataframe en un csv
df_pca_pesos_ind7.to_csv(r'Resultados_Secc_PCA_pesos_ind7.csv', index = None)

df_pca_pesos_ind7=df_pca_pesos_ind7.set_index('Componentes Principales')
df_pca_pesos_ind7

[[ 0.07337992 -0.12008016 -0.34094289  0.46405617  0.53361254  0.53765822
   0.27347259]
 [ 0.44757787  0.42736761  0.36321884  0.24938077 -0.15286841 -0.11497801
   0.62154935]
 [-0.70736729  0.68497537 -0.11856208  0.05377991  0.04271678  0.03325859
   0.10276257]
 [ 0.54173519  0.55206219 -0.43364985 -0.19632096  0.08307026  0.06719214
  -0.40464893]
 [ 0.01762122  0.15246043  0.70935535 -0.25409329  0.41570303  0.41583546
  -0.25093578]
 [ 0.00418411  0.07568217  0.21550239  0.7851157  -0.10767952 -0.13895655
  -0.5481815 ]
 [ 0.01076674 -0.00133306  0.00972504 -0.00753919  0.70622916 -0.70700405
   0.03341452]]


plt.figure(figsize=(10,6), dpi= 200)
sns.heatmap(df_pca_pesos_ind7, cmap='RdYlGn', center=0, annot=True)
# fix for mpl bug that cuts off top/bottom of seaborn viz (see https://github.com/mwaskom/seaborn/issues/1773)
b, t = plt.ylim() # discover the values for bottom and top
b += 0.5 # Add 0.5 to the bottom
t -= 0.5 # Subtract 0.5 from the top
plt.ylim(b, t) # update the ylim(bottom, top) values
plt.title('Pesos de las Componentes Principales (7 base indicators)')

plt.savefig('Pyplot_PCA_heatmap_ind7.png',dpi=600,bbox_inches="tight")
plt.show()


#calculo de la matriz de covarianza y sus correspondientes eigenvalores y eigenvectores
cov_mat = np.cov(x_2.T)
eigen_vals, eigen_vecs = np.linalg.eig(cov_mat)

# calculate of individual and cumulative sum of explained variances
tot = sum(eigen_vals)
var_exp = [(i / tot) for i in sorted(eigen_vals, reverse=True)]
cum_var_exp = np.cumsum(var_exp)

# plot explained variances
plt.figure(figsize=(10,6), dpi= 200)
plt.bar(range(1,8), var_exp, alpha=0.5,
        align='center', label='varianza explicada individual')
plt.step(range(1,8), cum_var_exp, where='mid',
         label='varianza explicada acumulada')
plt.ylabel('Razón de varianza explicada')
plt.xlabel('Índice Componentes Principales')
plt.legend(loc='best')
plt.title('Componentes Principales (7 base indicators)')

plt.savefig('Pyplot_PCA_variance_ind7.png',dpi=600)
plt.show()


#concatenamos los resultados con los metadatos
df_pca_results_ind7 = pd.concat([metadatos[labels], df_pca_ind7], axis = 1)
df_pca_results_ind7.head()
#salvar resultados PCA
df_pca_results_ind7.to_csv(r'Resultados_Secc_PCA_ind7.csv', index = None)


#Scatter plot (seaborn) PC1 vs PC2

plt.figure(figsize=(16, 10), dpi= 200, facecolor='w', edgecolor='k')
sns.scatterplot(x="CP1", y="CP2", 
                data=df_pca_results_ind7)
# Set x-axis label
plt.xlabel('CP1 (ICE principal)')
# Set y-axis label
plt.ylabel('CP2 (segundo ICE)')
plt.title('Proyección en CP1-CP2 (7 base indicators)')

plt.savefig('Pyplot_PCA_projection_ind7.png',dpi=600)


from matplotlib import pyplot
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.lines import Line2D

fig = pyplot.figure(figsize=(16, 10), dpi=200, facecolor='w', edgecolor='k')
ax = Axes3D(fig)
ax.scatter(df_pca_results_ind7['CP1'], df_pca_results_ind7['CP2'], df_pca_results_ind7['CP3'],s=20)
ax.set_xlim3d(0, 40)
ax.set_ylim3d(-20,5)
ax.set_zlim3d(-30,0)
ax.set_xlabel('CP1 (ICE principal)')
ax.set_ylabel('CP2 (segundo ICE)')
ax.set_zlabel('CP3 (tercer ICE)')
ax.view_init(elev, azim)
ax.set_title('Proyección en CP1-CP2-CP3 (7 indicadores)')

plt.savefig('Pyplot_PCA_3dprojection_ind7.png',dpi=600)
pyplot.show()


# import plotly.express as px

# fig = px.scatter_3d(df_pca_results_ind7, 
#                     x='CP1', 
#                     y='CP2', 
#                     z='CP3')
# fig.update_layout(scene = dict(
#                     xaxis_title='CP1 (ICE principal)',
#                     yaxis_title='CP2 (segundo ICE)',
#                     zaxis_title='CP3 (tercer ICE)'),
#                  legend_orientation="h")
# fig.show()


from sklearn.decomposition import PCA

#calculo de PCA con 7 componentes, y obtención de los valores de CP para cada sección
pca_7cp_tf = PCA(n_components=7)
pca_ind7_tf = pca_7cp_tf.fit_transform(x_3)

#razones de varianza explicada por cada CP 
print('Razón de varianza explicada por cada CP (n_components=7): %s'
      % str(pca_7cp_tf.explained_variance_ratio_))

#dataframe con los valores de los CP por sección
df_pca_ind7_tf = pd.DataFrame(data = pca_ind7_tf
             , columns = ['CP1', 'CP2', 'CP3','CP4', 'CP5', 'CP6','CP7'])
df_pca_ind7_tf

Razón de varianza explicada por cada CP (n_components=7): [0.43121373 0.23671935 0.12503344 0.08249623 0.07699423 0.04632545
 0.00121757]


#obtención de los pesos por cada variable
pca_pesos_ind7_tf = pca_7cp_tf.components_
print(pca_pesos_ind7_tf)

#transformación a un dataframe:
df_pca_pesos_ind7_tf = pd.DataFrame(pca_pesos_ind7_tf, columns=ind7_tf)
principal_components_pesos = pd.DataFrame(['CP1', 'CP2', 'CP3','CP4', 'CP5', 'CP6','CP7'])
df_pca_pesos_ind7_tf.insert(0, 'Componentes Principales', principal_components_pesos)

#se guarda el último dataframe en un csv
df_pca_pesos_ind7_tf.to_csv(r'Resultados_Secc_PCA_pesos_ind7_tf.csv', index = None)

df_pca_pesos_ind7_tf=df_pca_pesos_ind7_tf.set_index('Componentes Principales')
df_pca_pesos_ind7_tf

[[-3.39654505e-02 -1.76281298e-01 -3.48303403e-01  4.54320801e-01
   5.36192493e-01  5.38048238e-01  2.51098198e-01]
 [-6.05925544e-01 -5.48929126e-01 -1.69100829e-01 -2.23958461e-01
   6.36691805e-02  3.04074841e-02 -4.97795327e-01]
 [ 3.75371350e-01  3.67350301e-01 -6.05258229e-01 -2.42309356e-01
   1.12523552e-01  9.08505830e-02 -5.27430926e-01]
 [-9.89888266e-02  3.33944742e-01  6.14232889e-01 -2.73881767e-01
   4.25347238e-01  4.26123556e-01 -2.52759370e-01]
 [-6.93435977e-01  6.39599095e-01 -2.50138580e-01  8.19417600e-02
  -6.95325904e-02 -7.69123818e-02  1.73278636e-01]
 [ 6.15480906e-04  1.09757254e-01  2.09278447e-01  7.76497443e-01
  -9.66036117e-02 -1.25529917e-01 -5.62243009e-01]
 [ 1.20129880e-02  1.65132044e-03  1.01639544e-02 -6.88767914e-03
   7.07598039e-01 -7.05741518e-01  3.05964101e-02]]


plt.figure(figsize=(10,6), dpi= 200)
sns.heatmap(df_pca_pesos_ind7_tf, cmap='RdYlGn', center=0, annot=True)
# fix for mpl bug that cuts off top/bottom of seaborn viz (see https://github.com/mwaskom/seaborn/issues/1773)
b, t = plt.ylim() # discover the values for bottom and top
b += 0.5 # Add 0.5 to the bottom
t -= 0.5 # Subtract 0.5 from the top
plt.ylim(b, t) # update the ylim(bottom, top) values
plt.title('Pesos de las Componentes Principales (7 base indicators, con transformación log en LNE y Densidad_LNE)')

plt.savefig('Pyplot_PCA_heatmap_ind7_tf.png',dpi=600,bbox_inches="tight")
plt.show()


#calculo de la matriz de covarianza y sus correspondientes eigenvalores y eigenvectores
cov_mat = np.cov(x_3.T)
eigen_vals, eigen_vecs = np.linalg.eig(cov_mat)

# calculate of individual and cumulative sum of explained variances
tot = sum(eigen_vals)
var_exp = [(i / tot) for i in sorted(eigen_vals, reverse=True)]
cum_var_exp = np.cumsum(var_exp)

# plot explained variances
plt.figure(figsize=(10,6), dpi= 200)
plt.bar(range(1,8), var_exp, alpha=0.5,
        align='center', label='varianza explicada individual')
plt.step(range(1,8), cum_var_exp, where='mid',
         label='varianza explicada acumulada')
plt.ylabel('Razón de varianza explicada')
plt.xlabel('Índice Componentes Principales')
plt.legend(loc='best')
plt.title('Componentes Principales (7 base indicators, con transformación log en LNE y Densidad_LNE)')

plt.savefig('Pyplot_PCA_variance_ind7_tf.png',dpi=600)
plt.show()


#concatenamos los resultados con los metadatos
df_pca_results_ind7_tf = pd.concat([metadatos[labels], df_pca_ind7_tf], axis = 1)
df_pca_results_ind7_tf.head()
#salvar resultados PCA
df_pca_results_ind7_tf.to_csv(r'Resultados_Secc_PCA_ind7_tf.csv', index = None)


#Scatter plot (seaborn) PC1 vs PC2

plt.figure(figsize=(16, 10), dpi= 200, facecolor='w', edgecolor='k')
sns.scatterplot(x="CP1", y="CP2", 
                data=df_pca_results_ind7_tf)
# Set x-axis label
plt.xlabel('CP1 (ICE principal)')
# Set y-axis label
plt.ylabel('CP2 (segundo ICE)')
plt.title('Proyección en CP1-CP2 (7 base indicators, con transformación log en LNE y Densidad_LNE)')

plt.savefig('Pyplot_PCA_projection_ind7_tf.png',dpi=600)


from matplotlib import pyplot
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.lines import Line2D

fig = pyplot.figure(figsize=(16, 10), dpi=200, facecolor='w', edgecolor='k')
ax = Axes3D(fig)
ax.scatter(df_pca_results_ind7_tf['CP1'], df_pca_results_ind7_tf['CP2'], df_pca_results_ind7_tf['CP3'],s=20)
ax.set_xlim3d(0, 40)
ax.set_ylim3d(-20,5)
ax.set_zlim3d(-30,0)
ax.set_xlabel('CP1 (ICE principal)')
ax.set_ylabel('CP2 (segundo ICE)')
ax.set_zlabel('CP3 (tercer ICE)')
ax.view_init(elev, azim)
ax.set_title('Proyección en CP1-CP2-CP3 (7 indicadores, con transformación log en LNE y Densidad_LNE)')

plt.savefig('Pyplot_PCA_3dprojection_ind7_tf.png',dpi=600)
pyplot.show()


# import plotly.express as px

# fig = px.scatter_3d(df_pca_results_ind7_tf, 
#                     x='CP1', 
#                     y='CP2', 
#                     z='CP3')
# fig.update_layout(scene = dict(
#                     xaxis_title='CP1 (ICE principal)',
#                     yaxis_title='CP2 (segundo ICE)',
#                     zaxis_title='CP3 (tercer ICE)'),
#                  legend_orientation="h")
# fig.show()

	EDO	NOMBRE_ESTADO	MUN	NOMBRE_MUNICIPIO	DTO	SECC	Coef_Var_PE	Coef_Var_LNE	Var_Prop_PE	Var_Prop_LNE	Autocorr_PE	Autocorr_LNE	Razon_LNE_PE	PE	LNE	TC_LNE_2019	TIPO_SECCION	Area_Km2	Densidad_LNE
0	1	AGUASCALIENTES	10	SAN FRANCISCO DE LOS ROMO	1	404	0.010392	0.013701	0.011281	0.015822	0.547527	0.494467	0.992982	804.0	796.0	-0.008717	R	0.255615	3114.052233
1	1	AGUASCALIENTES	10	SAN FRANCISCO DE LOS ROMO	1	470	0.009898	0.015790	0.011420	0.018778	0.606021	0.459351	0.986038	1340.0	1311.0	-0.005311	M	0.497880	2633.165586
2	1	AGUASCALIENTES	10	SAN FRANCISCO DE LOS ROMO	1	471	0.006650	0.011982	0.008169	0.014270	0.707951	0.512860	0.989025	1608.0	1582.0	-0.006905	U	0.438174	3610.437533
3	1	AGUASCALIENTES	10	SAN FRANCISCO DE LOS ROMO	1	472	0.010460	0.014940	0.012687	0.018002	0.795567	0.617178	0.990770	1414.0	1394.0	-0.014841	U	0.404232	3448.510713
4	1	AGUASCALIENTES	10	SAN FRANCISCO DE LOS ROMO	1	473	0.011303	0.011558	0.013614	0.013143	0.893573	0.439638	0.990124	8526.0	8412.0	0.027859	M	2.190191	3840.761507
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
68389	32	ZACATECAS	11	TRINIDAD GARCIA DE LA CADENA	2	352	0.022106	0.027715	0.025957	0.032934	0.949893	0.919404	0.973718	407.0	395.0	0.076294	U	0.216138	1827.533786
68390	32	ZACATECAS	11	TRINIDAD GARCIA DE LA CADENA	2	353	0.027591	0.035514	0.031829	0.041410	0.937516	0.939714	0.972815	382.0	374.0	0.119760	M	0.432270	865.200585
68391	32	ZACATECAS	11	TRINIDAD GARCIA DE LA CADENA	2	354	0.049990	0.069392	0.056654	0.077790	0.970217	0.942633	0.973603	103.0	101.0	0.262500	R	58.018000	1.740839
68392	32	ZACATECAS	11	TRINIDAD GARCIA DE LA CADENA	2	356	0.033608	0.047956	0.039083	0.055342	0.947350	0.977154	0.971920	367.0	360.0	0.165049	R	2.157981	166.822568
68393	32	ZACATECAS	11	TRINIDAD GARCIA DE LA CADENA	2	358	0.060953	0.086876	0.064359	0.093083	0.912792	0.935511	0.974554	57.0	57.0	0.266667	R	113.055000	0.504179

	LNE	Densidad_LNE	Razon_LNE_PE	TC_LNE_2019	Coef_Var_LNE	Var_Prop_LNE	Autocorr_LNE
0	796.0	3114.052233	0.992982	-0.008717	0.013701	0.015822	0.494467
1	1311.0	2633.165586	0.986038	-0.005311	0.015790	0.018778	0.459351
2	1582.0	3610.437533	0.989025	-0.006905	0.011982	0.014270	0.512860
3	1394.0	3448.510713	0.990770	-0.014841	0.014940	0.018002	0.617178
4	8412.0	3840.761507	0.990124	0.027859	0.011558	0.013143	0.439638
...	...	...	...	...	...	...	...
68385	395.0	1827.533786	0.973718	0.076294	0.027715	0.032934	0.919404
68386	374.0	865.200585	0.972815	0.119760	0.035514	0.041410	0.939714
68387	101.0	1.740839	0.973603	0.262500	0.069392	0.077790	0.942633
68388	360.0	166.822568	0.971920	0.165049	0.047956	0.055342	0.977154
68389	57.0	0.504179	0.974554	0.266667	0.086876	0.093083	0.935511

	LNE	Densidad_LNE	Razon_LNE_PE	TC_LNE_2019	Coef_Var_LNE	Var_Prop_LNE	Autocorr_LNE
count	68390.000000	68390.000000	68390.000000	68390.000000	68390.000000	68390.000000	68390.000000
mean	1317.706770	8447.244220	0.987840	0.048519	0.019702	0.022812	0.826309
std	1389.056893	12809.782401	0.004840	0.043990	0.010203	0.011344	0.218892
min	3.000000	0.003152	0.874051	-0.347826	0.001439	0.001682	-0.741620
25%	629.000000	1208.624917	0.986467	0.027397	0.013544	0.015612	0.762336
50%	1031.000000	4125.738947	0.988685	0.049624	0.018081	0.021109	0.929272
75%	1564.000000	11449.884027	0.990409	0.070132	0.023574	0.027537	0.970013
max	54343.000000	885626.443839	1.000000	1.940299	0.332023	0.333093	0.999452

	log(LNE)	log(Densidad_LNE)	Razon_LNE_PE	TC_LNE_2019	Coef_Var_LNE	Var_Prop_LNE	Autocorr_LNE
count	68390.000000	68390.000000	68390.000000	68390.000000	68390.000000	68390.000000	68390.000000
mean	6.866598	7.822121	0.987840	0.048519	0.019702	0.022812	0.826309
std	0.812545	2.266739	0.004840	0.043990	0.010203	0.011344	0.218892
min	1.098612	-5.759852	0.874051	-0.347826	0.001439	0.001682	-0.741620
25%	6.444131	7.097239	0.986467	0.027397	0.013544	0.015612	0.762336
50%	6.938284	8.325000	0.988685	0.049624	0.018081	0.021109	0.929272
75%	7.355002	9.345735	0.990409	0.070132	0.023574	0.027537	0.970013
max	10.903071	13.694051	1.000000	1.940299	0.332023	0.333093	0.999452

	PC1	PC2	PC3	PC4	PC5	PC6
0	-2.096167	-0.817115	-0.454275	-0.218703	0.681640	0.002927
1	-1.373654	-1.430664	-0.547472	0.749539	0.031431	-0.057538
2	-1.743078	-0.825861	-0.719741	0.454349	0.066035	0.012552
3	-1.661436	-0.551369	-0.625619	0.062984	0.263714	-0.444679
4	-0.943634	1.379059	-4.294915	2.884325	0.465976	0.799884
...	...	...	...	...	...	...
68385	2.136906	-1.664989	0.694265	0.667680	-1.442056	-0.272315
68386	3.262541	-1.746697	0.806791	0.593926	-1.017143	0.098491
68387	6.944399	-1.978684	1.296734	0.166383	1.526907	1.155820
68388	4.693695	-1.859348	0.963390	0.537345	-0.312791	0.267606
68389	7.859642	-2.262393	1.379112	0.203069	2.807788	0.508565

Electoral Complexity Analysis 2019: Electoral Sections

Exploratory Analysis and Construction of Electoral Complexity Indexes

Autor: Miguel David Alvarez Hernández (mdalvarezh@gmail.com)

Setup¶

Importación de datos procesados¶

Análisis exploratorio de los base indicators (sin transformar)¶

Gráficas (heatmap y pair-plot) y análisis de correlación (7 indicadores)¶

Gráficas (heatmap y pair-plot) y análisis de correlación (6 indicadores)¶

Análisis exploratorio de los base indicators (7 indicadores con transformación log en LNE y Densidad_LNE)¶

Gráficas (heatmap y pair-plot) y análisis de correlación (7 indicadores con transformación log)¶

Gráficas (heatmap y pair-plot) y análisis de correlación (6 indicadores con transformación log)¶

Análisis de Componentes Principales (PCA)¶

Preprocesamiento de datos¶

PCA con 6 indicadores¶

Proyección de las secciones en el espacio de Componentes Principales (6 indicadores)¶

PCA con 6 indicadores (con transformación log en LNE y Densidad_LNE)¶

Proyección de las secciones en el espacio de Componentes Principales (6 indicadores con transformación log)¶

PCA con 7 indicadores¶

Proyección de las secciones en el espacio de Componentes Principales (7 indicadores)¶

PCA con 7 indicadores (transformación log en LNE y Densidad)¶

Proyección de las secciones en el espacio de Componentes Principales (7 indicadores con transformación log)¶

Referencias¶

	LNE	Densidad_LNE	Razon_LNE_PE	TC_LNE_2019	Coef_Var_LNE	Autocorr_LNE
Principal Components
PC1	0.118352	-0.134632	-0.401705	0.587358	0.557300	0.388494
PC2	0.438155	0.481425	0.444429	0.151414	-0.206170	0.559732
PC3	-0.727112	0.655424	-0.141826	0.077213	0.048860	0.115170
PC4	0.514747	0.541193	-0.507830	-0.154725	0.090362	-0.390063
PC5	0.018774	0.162593	0.598409	0.077433	0.667244	-0.404856
PC6	-0.001975	0.034607	0.070833	0.772132	-0.437200	-0.454368

	CP1	CP2	CP3	CP4	CP5	CP6
0	-2.079005	0.766642	0.145209	-0.120979	0.762899	0.028320
1	-1.363579	0.803037	1.410818	-0.441983	0.222827	-0.043094
2	-1.806835	0.314006	0.965597	-0.567216	0.240176	0.022754
3	-1.724235	0.184408	0.487700	-0.456015	0.404533	-0.432180
4	-1.638394	-0.992583	1.593820	-2.020650	0.681931	0.785433
...	...	...	...	...	...	...
68385	2.248044	1.091231	1.299926	1.098096	-1.314330	-0.237932
68386	3.432636	1.207635	1.153325	1.008162	-0.943577	0.127455
68387	7.722265	3.438846	-0.681264	0.439350	0.968434	1.103935
68388	5.007687	1.535965	0.887596	0.656250	-0.364164	0.272452
68389	8.785611	4.304144	-1.059325	0.597487	2.115834	0.459321

	log(LNE)	log(Densidad_LNE)	Razon_LNE_PE	TC_LNE_2019	Coef_Var_LNE	Autocorr_LNE
Componentes Principales
CP1	-0.021383	-0.204400	-0.423934	0.575394	0.570022	0.349342
CP2	-0.610558	-0.567326	-0.200610	-0.181917	0.097227	-0.471772
CP3	0.368574	0.333202	-0.679678	-0.183534	0.115850	-0.494026
CP4	-0.696521	0.698108	-0.114763	0.030091	0.042379	0.107849
CP5	0.073696	0.186384	0.547531	0.056345	0.685205	-0.432850
CP6	-0.018510	0.056959	0.071499	0.773345	-0.425322	-0.460803

	CP1	CP2	CP3	CP4	CP5	CP6	CP7
0	-2.003312	-1.066122	-0.416856	-0.115427	0.893910	0.154362	-0.013757
1	-1.241063	-1.579007	-0.529636	0.771114	0.090961	-0.065632	-0.069262
2	-1.809126	-0.989252	-0.694549	0.501764	0.171309	0.006920	-0.035429
3	-1.562228	-0.755214	-0.587611	0.153895	0.606307	-0.396737	-0.043915
4	-1.328169	1.308551	-4.184244	3.047104	0.246219	0.899870	0.043481
...	...	...	...	...	...	...	...
68385	2.316336	-1.378922	0.602772	0.449431	-1.730148	-0.616728	-0.101677
68386	3.681362	-1.384203	0.704292	0.362801	-1.520000	-0.123895	-0.096343
68387	8.624966	-1.500667	1.202212	-0.002595	0.467734	1.642347	-0.043295
68388	5.585770	-1.443765	0.861886	0.319947	-0.946598	0.244629	-0.107376
68389	10.229872	-1.857034	1.321028	0.122440	1.863620	1.404931	0.213507

	LNE	Densidad_LNE	Razon_LNE_PE	TC_LNE_2019	Coef_Var_LNE	Var_Prop_LNE	Autocorr_LNE
Componentes Principales
CP1	0.073380	-0.120080	-0.340943	0.464056	0.533613	0.537658	0.273473
CP2	0.447578	0.427368	0.363219	0.249381	-0.152868	-0.114978	0.621549
CP3	-0.707367	0.684975	-0.118562	0.053780	0.042717	0.033259	0.102763
CP4	0.541735	0.552062	-0.433650	-0.196321	0.083070	0.067192	-0.404649
CP5	0.017621	0.152460	0.709355	-0.254093	0.415703	0.415835	-0.250936
CP6	0.004184	0.075682	0.215502	0.785116	-0.107680	-0.138957	-0.548181
CP7	0.010767	-0.001333	0.009725	-0.007539	0.706229	-0.707004	0.033415

	CP1	CP2	CP3	CP4	CP5	CP6	CP7
0	-1.998150	0.896007	0.299150	0.934860	-0.324690	0.209161	-0.010563
1	-1.261402	0.890648	1.483427	0.185499	-0.494662	-0.001004	-0.062374
2	-1.877799	0.420301	1.049566	0.208261	-0.624435	0.063948	-0.028986
3	-1.624315	0.296424	0.620355	0.630815	-0.597256	-0.340265	-0.038426
4	-1.832179	-0.895257	1.665424	-0.038708	-2.072460	0.933910	0.023131
...	...	...	...	...	...	...	...
68385	2.372541	0.954862	1.097777	-1.296321	1.401862	-0.563170	-0.108431
68386	3.782032	1.012125	0.929745	-1.164888	1.270552	-0.090998	-0.102097
68387	9.246257	3.039946	-0.908062	0.066689	0.385870	1.430218	-0.060159
68388	5.801376	1.269742	0.666433	-0.799544	0.819671	0.221832	-0.111531
68389	10.977065	3.878475	-1.182652	1.360157	0.254540	1.168003	0.191910

	log(LNE)	log(Densidad_LNE)	Razon_LNE_PE	TC_LNE_2019	Coef_Var_LNE	Var_Prop_LNE	Autocorr_LNE
Componentes Principales
CP1	-0.033965	-0.176281	-0.348303	0.454321	0.536192	0.538048	0.251098
CP2	-0.605926	-0.548929	-0.169101	-0.223958	0.063669	0.030407	-0.497795
CP3	0.375371	0.367350	-0.605258	-0.242309	0.112524	0.090851	-0.527431
CP4	-0.098989	0.333945	0.614233	-0.273882	0.425347	0.426124	-0.252759
CP5	-0.693436	0.639599	-0.250139	0.081942	-0.069533	-0.076912	0.173279
CP6	0.000615	0.109757	0.209278	0.776497	-0.096604	-0.125530	-0.562243
CP7	0.012013	0.001651	0.010164	-0.006888	0.707598	-0.705742	0.030596